绘制逻辑回归图python代码
时间: 2023-10-10 08:08:00 浏览: 66
下面是一个简单的绘制逻辑回归图的 Python 代码:
```python
import numpy as np
import matplotlib.pyplot as plt
# 生成数据
np.random.seed(0)
X, y = np.random.randn(100, 2), np.random.randint(0, 2, 100)
# 绘制数据点
plt.scatter(X[:, 0], X[:, 1], c=y)
# 绘制决策边界
x_min, x_max = plt.xlim()
y_min, y_max = plt.ylim()
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100), np.linspace(y_min, y_max, 100))
Z = np.dot(np.c_[xx.ravel(), yy.ravel()], w) + b
Z = np.round(1 / (1 + np.exp(-Z)))
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, alpha=0.2)
plt.show()
```
上面的代码中,我们使用 `numpy` 生成了一个二维的数据集,然后使用 `matplotlib` 绘制数据点。接着,我们在决策边界上绘制了一个透明度为 0.2 的背景色,并使用 `numpy` 的 `dot` 函数计算出了决策边界的位置。最后,我们使用 `contourf` 函数将决策边界和背景色一起绘制出来。
相关问题
逻辑回归图python代码
以下是一个简单的逻辑回归图 python 代码示例:
```python
import numpy as np
import matplotlib.pyplot as plt
# 定义sigmoid函数
def sigmoid(z):
return 1.0 / (1 + np.exp(-z))
# 生成随机数据
np.random.seed(0)
X = np.random.randn(100, 2)
y = np.random.randint(2, size=100)
# 绘制数据散点图
plt.scatter(X[:,0], X[:,1], c=y)
plt.xlabel('x1')
plt.ylabel('x2')
# 添加偏置项,构造训练数据集
X = np.insert(X, 0, 1, axis=1)
theta = np.zeros(X.shape[1])
# 定义损失函数
def cost_function(theta, X, y):
h = sigmoid(np.dot(X, theta))
return -(1.0 / len(y)) * np.sum(y * np.log(h) + (1 - y) * np.log(1 - h))
# 定义梯度函数
def gradient(theta, X, y):
h = sigmoid(np.dot(X, theta))
return (1.0 / len(y)) * np.dot(X.T, (h - y))
# 定义梯度下降函数
def gradient_descent(theta, X, y, alpha=0.1, num_iters=100):
J_history = []
for i in range(num_iters):
theta = theta - alpha * gradient(theta, X, y)
J_history.append(cost_function(theta, X, y))
return theta, J_history
# 训练模型
theta, J_history = gradient_descent(theta, X, y)
# 绘制决策边界
x1_min, x1_max = X[:,1].min(), X[:,1].max()
x2_min, x2_max = X[:,2].min(), X[:,2].max()
xx1, xx2 = np.meshgrid(np.linspace(x1_min, x1_max), np.linspace(x2_min, x2_max))
h = sigmoid(np.dot(np.c_[np.ones((xx1.ravel().shape[0],1)), xx1.ravel(), xx2.ravel()], theta))
h = h.reshape(xx1.shape)
plt.contour(xx1, xx2, h, [0.5], linewidths=1, colors='red')
plt.show()
```
该代码使用 numpy 和 matplotlib 库生成一个二维散点图,然后使用逻辑回归模型来拟合这些数据,并在图中绘制出决策边界。
用python代码绘制逻辑回归曲线
要绘制逻辑回归曲线,需要先训练一个逻辑回归模型。这里演示使用sklearn库训练模型,并使用matplotlib库绘制曲线。假设我们的数据集包含两个特征x1和x2,以及二元分类标签y。
首先,导入必要的库和数据集:
```python
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn import datasets
# 加载数据集
iris = datasets.load_iris()
X = iris.data[:, :2] # 只使用前两个特征
y = (iris.target != 0) * 1 # 将标签转化为0或1
```
然后,使用逻辑回归模型训练数据:
```python
# 训练逻辑回归模型
clf = LogisticRegression()
clf.fit(X, y)
```
接着,生成一组坐标点,并预测每个点的标签:
```python
# 生成一组坐标点并预测每个点的标签
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100), np.linspace(y_min, y_max, 100))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
```
最后,将数据点和逻辑回归曲线绘制在同一个图中:
```python
# 绘制数据点和逻辑回归曲线
plt.figure(1, figsize=(4, 3))
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Paired)
# 绘制数据点
plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.show()
```
完整的代码如下:
```python
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn import datasets
# 加载数据集
iris = datasets.load_iris()
X = iris.data[:, :2] # 只使用前两个特征
y = (iris.target != 0) * 1 # 将标签转化为0或1
# 训练逻辑回归模型
clf = LogisticRegression()
clf.fit(X, y)
# 生成一组坐标点并预测每个点的标签
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100), np.linspace(y_min, y_max, 100))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
# 绘制数据点和逻辑回归曲线
plt.figure(1, figsize=(4, 3))
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Paired)
# 绘制数据点
plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.show()
```